仲秋雁 李岳陽 初 翔

(大連理工大學管理與經濟學部信息管理與信息技術研究所 遼寧 大連 116024)

基于社會化網絡的長期搭乘共享個性化推薦方法

仲秋雁 李岳陽 初 翔

(大連理工大學管理與經濟學部信息管理與信息技術研究所 遼寧 大連 116024)

在汽車、住宿等服務行業(yè)中，與共享服務配套的個性化推薦方法的研究不足，降低了用戶體檢。以搭乘共享問題為例，考慮位置、社交、費用三方面因素，提出URLP(Users Recommendation Based on LBSNs and Payment)方法為用戶推薦長期合作對象。該方法首先基于用戶行為矩陣計算車主與乘客的位置相似度，其次通過歷史交易數據學習建立基于位置的社交信任網絡，然后根據近期交易記錄擬合用戶的車費偏好函數，最后綜合三類因素的影響自適應地產生推薦列表。實驗結果表明URLP方法具有良好的準確率。雖然URLP方法以汽車共享為例提出，但方法同樣可被應用于眾包快遞和配送等領域。

搭乘共享 個性化推薦 基于位置的社會化網絡 TF-IDF

0 引 言

Uber和Airbnb兩家公司的崛起，讓其共性商業(yè)模式——共享經濟成為全球最熱商業(yè)模式。共享經濟指民眾公平、有償的共享一切社會資源，彼此以不同的方式付出和受益，共同享受經濟紅利[1]。拼車是目前一種典型的空車資源有償共享模式，指私家小汽車駕駛人與其他人共乘出行，通過減少小汽車空座率達到減少小汽車出行量和道路需求等目的的集體行為[2]。類似的商業(yè)模式還有眾包快遞，被稱為“快遞版”Uber。搭乘共享平臺迅速發(fā)展，但是與平臺配合的推薦系統(tǒng)卻剛剛起步，相關研究也較少。本文以上班族通勤拼車為例，以基于位置的社會化網絡LBSNs(Location-based Social Networks )為推薦框架，提出一種適合長期搭乘共享問題的個性化推薦方法——URLP方法。

對于拼車問題，很多學者采用數學分析的方式研究用戶最佳拼車策略。Friginal等認為在個人與個人的拼車過程中會應用到以下三中技術：談判機制、談判平臺和社交網絡[3]。Boukhater和Huang把拼車路線選擇作為一種組合優(yōu)化問題，根據自定義的適應度函數，用遺傳算法為用戶尋找拼車路線最短的最優(yōu)拼車方案[4-5]。Knapen和Hartman研究長期需求的拼車問題，建立拼車用戶選擇的圖論模型，其中Hartman用真實數據驗證了其模型的有效性[6-7]。采用數學方法建模對以后的研究有很大借鑒作用，但大部分模型都只考慮位置遠近對于用戶選擇的影響，模型過于理想，離實際應用有一定距離。拼車用戶選擇問題的另一種研究方式是仿真方法。在圖論模型基礎上，Hussain和Knapen選擇不同“談判機制”，計算機仿真觀察不同機制下用戶行為[8-9]。Galland建立基于Agent的交流模型，用Agent檔案文件和社交網絡開始交流模型進行仿真，最后用Flanders 的真實數據驗證模型的有效性[10]。仿真研究可以在無法大規(guī)模實體演示的情況下，模擬現實情景，得出科學結論，但往往忽視了個體的差異性，現實生活中每個用戶對于拼車對象的選擇會因為個人社會背景、習慣等而大相徑庭。因此，有必要根據不同用戶特點，為其推薦不同對象進行搭乘。

目前，LBSNs推薦框架流行于各種基于位置服務的研究。LBSNs是一種把地理位置信息作為一種新動態(tài)的社交網絡[11]，它不僅意味著把地理位置信息附加到已經存在的社交網絡中，也可能是由地理位置較近的人群組成的社交圈構成的新的網絡結構[12]。LBSNs中群體行為的研究已經獲得例如智能交通系統(tǒng)、推薦系統(tǒng)等領域的關注[13]?；贚BSNs推薦的一個特點是推薦對象的“位置關聯性”[14]。Zheng和Liao把用戶到過某位置的次數作為該用戶對該位置的隱性評分，尋找近鄰用戶，從而為用戶推薦位置相近的朋友[15-16]，Griesner等通過矩陣分塊算法考慮上下文為用戶做出個性化的地點推薦[17]。對于LBSNs推薦中的冷啟動問題，Gao等根據距離和社交關系把用戶分為四類改進樸素貝葉斯方法來預測用戶出現在某位置的“可能性”，緩解了一般位置推薦中初始數據稀疏的問題[18]。已有的基于LBSNs推薦框架的研究在計算位置相似度時并不直接考慮兩個位置的經緯度，大都采用改進協(xié)同過濾算法、樸素貝葉斯方法等間接方式處理。在搭乘共享問題中，位置作為用戶偏好而不是被推薦項目，因此對多樣性要求低對準確度要求高，需要直接處理位置數據，上述方法并不適用?；谝陨戏治?，本文選擇改進基于內容的推薦算法計算用戶位置相似度。

1 問題界定

通勤拼車用戶有兩個特點：有長期拼車需求，拼車時間地點相對固定。因此，通過用戶歷史拼車記錄學習其偏好并做出推薦是可行的。拼車過程中，很多軟件是由需要拼車的乘客發(fā)布拼車需求，車主搶單，所以本文站在車主的角度，為車主推薦合適的拼車乘客。當然，稍作調整后該方法也可以為乘客推薦合適的車主。本文選取位置、社交、車費補貼進行用戶偏好學習理由如下：

(1) 拼車過程中不論是車主或者乘客最關心的都是在自己計劃出行的時間內，路線的匹配程度，越是“順路”,則車主和乘客拼車的可能性越大。故選取帶有時間參數的位置作為用戶偏好進行學習。

(2) 由于上班族拼車為長期需求，故在拼車過程中，車主和乘客會建立一種基于地理位置的“朋友”關系，甚至可能其中就有原來本就認識的鄰居或同事。一位車主可能和與他上下班順路的多位乘客拼車，一位乘客也可能和多位車主拼車，則在某一地區(qū)會建立起一種隱性社交圈，本文認為這是一種基于地理位置的社交網絡。社交會建立一種信任關系，從而影響用戶的行為。故選擇社交作為用戶偏好進行學習。

(3) 現行拼車車費由兩部分組成，油費和車費補貼。其中油費paykm根據里程數決定，每次拼車油費自動計算，而車費補貼Δsubsidy相對靈活，即pay=paykm+Δsubsidy。乘客不同，相同的里程，車主可能得到不同的車費補貼?，F實拼車中，有的車主只愿意搭載同路的乘客，有的車主卻愿意為了更多的補貼而繞路，這會很大程度影響推薦結果。故本文只考慮會因為交易個人不同而不同的補貼部分，選擇其作為用戶偏好進行學習。

2 URLP方法提出

2.1URLP基本框架

如圖1所示，首先由用戶信息和交易記錄抽取用戶-費用、用戶-位置、用戶-用戶矩陣。根據用戶-費用、用戶-位置矩陣，可以建立車主(car)、位置與時間(p,t)、乘客(pas)關系，其中車主和乘客統(tǒng)稱為用戶。每個用戶有一個費用記錄(pay)，即乘客付出過的車費或車主得到的車費。根據用戶-用戶矩陣及上述用戶與位置、時間關系，可以建立一個基于位置的社會化網絡。最后根據用戶-位置-時間-費用關系及基于位置的社會化網絡，計算用戶間位置相似度、信任值、費用偏好度，應用自適應方法調節(jié)三部分比重，產生推薦列表。

圖1 研究框架

2.2 符號描述

由于拼車的車主和乘客的數據集的組成相同，故把車主和乘客統(tǒng)稱為用戶。對車主出行路線的描述采用化線為點的方式，由起點每隔x(x根據具體實例及推薦精度要求選取)米選取一點，直至終點，則車主的路線化為位置點集。對于乘客的路線，由于乘客較為關注的是在什么地點上車和在什么地點下車，故只選取起點和終點作為其位置點集。對時間的處理，每隔y(y根據具體實例及推薦精度要求選取)分鐘化為一組，則每個位置點對應一個時間分組。

例如，已知車主路線和乘客路線，假設x取500，y取30。對于車主路線，由起始點p0、出發(fā)時間t0開始，每隔500米記錄一點(pi,ti)，pi用經緯度表示，ti為經過pi的時間點，對應屬于某一時間分組。例如：一點((121.540 143,38.873 345),0725)，其中前一項表示一點東經121.540 143度，北緯38.873 345度，0725表示7:25。假設0725對應時間分組2 (7:00-7:30)，則該點數據可被表示為((121.540 143,38.873 345),2)。

同理處理乘客路線，不同之處是乘客位置只記錄起始點和終點。用上述方法處理路線數據，然后就可以根據位置點集進行位置相似度計算，具體計算步驟見2.3.1節(jié)。

2.2.1 符號表示

URLP方法中使用的符號含義如表1所示。

表1 符號及含義

2.2.2 集合定義

定義1 對于用戶k的每次出行，其路線Rk都可以用位置和時間表示：

Rk=(Pk,Tk)

(1)

其中，Pk表示用戶k有近期出行記錄的位置點的集合，Tk表示Pk中各位置點對應的各時間段。

定義2 用戶位置與時間屬性用集合U表示，用戶分為車主和乘客，Uo為車主屬性集合，Up為乘客屬性集合。則用戶k的屬性可以表示為：

Uk=(IDk,Rk)

(2)

定義3 根據用戶k最近拼車記錄，為曾與用戶有過拼車出行的其他用戶集合Fk表示為：

Fk=(ID,times)

(3)

其中，ID為與用戶k有過拼車記錄的其他用戶編號集合，times為該集合中用戶與用戶k對應的拼車次數。

定義4 根據用戶k最近拼車記錄，為用戶收到或付出車費補貼數的集合Mk表示為：

Mk=(pay,times)

(4)

其中，pay為用戶付出或得到的車費補貼數的集合，times為該集合中對應車費補貼數在最近歷史記錄中出現的次數。

2.3URLP方法實現

2.3.1 位置區(qū)域劃分

URLP方法針對長期短途用戶做出推薦，故相似度高的用戶必然位于同一區(qū)域。為了降低方法復雜度，首先根據要為之推薦的那名車主的位置，劃分一個適當大小區(qū)域，抽取該區(qū)域所有乘客數據進行推薦。也就是說，每為一名車主推薦都根據該車主位置進行一次用戶群劃分。具體區(qū)域劃分規(guī)則需要根據城市大小、交通狀況等做具體分析。例如，為大連市某區(qū)車主A推薦時，根據大連市大小、交通狀況，可以以A常簽到位置連線為中心線東西各擴充2 km，選擇常簽到位置在這個區(qū)域的乘客作為待選用戶進行下步計算。在以下步驟中認為用戶?；顒訁^(qū)域相同，為具有上下班拼車可能的潛在用戶群。

2.3.2 基于位置的相似度計算

步驟2 根據文本挖掘中提取文章關鍵詞的技術TF-IDF方法處理用戶k的路線集合R。

(5)

(6)

(7)

步驟3 對于經過TF-IDF技術處理過的用戶屬性集合Uk=(IDk,Rk)，其中：

Rk=(pk1,pk2,…,pki,…,pkn)

(8)

(9)

(10)

(11)

步驟4 對用戶k位置向量Rk進行標準化處理：

(12)

步驟5 根據文獻[19]中證明的基于位置的相似度算法，基于本模型特點進行修改后，車主x與乘客y基于位置的相似度：

(13)

2.3.3 基于用戶間隱性社交網絡的信任值計算

車主與乘客進行一次拼車，相當于進行了一次“交流”或者“合作”，從而建立一種隱性社交圈?！昂献鳌贝螖刀嗟挠脩糸g會更加熟悉，對于各自習慣、守時程度等都有較好適應性，從而建立一種信任關系。根據最近歷史記錄中用戶的拼車記錄，建立用戶間社交網絡，為車主個性化推薦“合作”次數多的乘客可以提高推薦的滿意度。特別注意，這里的歷史記錄時間為近期(具體時間段根據具體實例選取)，因為用戶間的信任可能隨著時間發(fā)生轉移。本文用戶社交網絡為一個稀疏的無向非加權網絡，且包含多個連通子網，但不考慮“朋友”的“朋友”這種間接關系對于推薦的影響?？紤]到僅有過一次“合作”的用戶間可能不存在這種信任。僅有的一次“合作”可能為偶然且相互并不滿意，所以沒有出現第二次“合作”。在數據預處理時將所有大于0的“合作”次數減1。在計算用戶的相似性時，為凸顯“合作”次數的影響，本文使用了平方根函數來處理使其值在[0,1]區(qū)間，常見的處理函數還有指數函數、線性函數和對數函數等。這里我們不給予詳述，可參考文獻[20]。則用戶x與用戶y的信任值為：

(14)

其中，timesxy車主x和乘客y的近期合作次數。

2.3.4 用戶關于車費補貼偏好的計算

另一個對于拼車出行有影響的是車費補貼多少。有的車主愿意免費搭載順路的乘客，有的車主卻愿意為了獲得較高的車費補貼而繞路。因此，為了提高推薦滿意度，需要根據車主近期記錄中對于車費補貼多少的偏好來決定為車主推薦哪些乘客。根據邊際效益遞減原則[21]，可以選取或根據歷史數據擬合合適函數，描述用戶對于車費補貼的偏好。用戶對于車費補貼多少的偏好值MP可表示為：

(15)

2.3.5 自適應產生推薦列表

總相似度的計算綜合了位置、社交、車費補貼對用戶行為的影響：

(16)

3 實驗與結果分析

3.1 實驗數據

本文實驗數據來自志愿者，數據分為GPS數據和拼車數據兩部分。數據預處理時需根據車主位置劃分合適大小區(qū)域，選取該地區(qū)所有乘客作為備選，整理車主和該區(qū)域乘客路線及交易數據輸入URLP方法，最后形成推薦。則實驗應該選擇一個固定區(qū)域。本文實驗選擇大連市白領較多的某區(qū)。在該地區(qū)選擇100名拼車軟件常用用戶(10名車主，90名乘客)，使用Google開發(fā)的手機軟件My Tracks記錄其60個工作日上下班時間段(6∶30-8∶30與16∶30-19∶30)GPS記錄，該部分記錄用于進行路線匹配，計算用戶間關于位置的相似度。整理志愿者手機上實驗期間，上下班時段拼車記錄，用于挖掘用戶間社交關系及對車費補貼偏好。

3.2 評價標準

本文推薦列表的形成采用推薦系統(tǒng)常用的Top-N方法[22]。實驗中按 80∶20 的比例將用戶拼車數據隨機地分為訓練集和測試集。用訓練集中數據學習用戶偏好做出推薦，如果測試集中車主與推薦列表中任一乘客有過拼車記錄，認為推薦成功。為了確定URLP方法中最佳?值并評價該方法，本文使用了對于推薦列表順序敏感的平均準確率MAP(Mean Average Precision)和平均排序倒數MRR(Mean Reciprocal Rank)兩個評價指標；為了將URLP方法與傳統(tǒng)協(xié)同過濾推薦算法對比，使用了對列表長度敏感的準確率(Precision)評價指標。

3.2.1 平均排序倒數

(17)

其中，rankij表示為第i位車主推薦時推薦成功的排位為j，M為需要為之推薦的車主數量，N為推薦列表長度。

3.2.2 準確率與平均準確率

準確率衡量推薦的乘客有多少是準確的，即被車主接受的，用來衡量推薦的整體質量。平均準確率MAP是每個相關文檔被檢索后準確率的平均值的算術平均值[23]。當我們給車主x推薦拼車乘客，那么推薦列表最前面的最好應該是正確的推測。因此，我們使用MAP去強調高排名的相關用戶。對于一個測試集，令R(i)是根據訓練集數據為車主做出的推薦列表，T(i)是車主在測試集上的行為列表。準確率Precision：

(18)

平均準確率MAP：

(19)

其中，M為需要為之推薦的車主數量，ri表示為車主i推薦的乘客中被接納的數量，Precisioni@k是車主i的推薦列表中排名為k的乘客的準確率。

3.3 實驗步驟及結果分析

首先，我們根據收集的用戶手機端數據，分析用戶每天上班時間與下班時間。當每天早晨，用戶位置發(fā)生較大位移開始記為其出發(fā)時間，每天下午，用戶位置發(fā)生較大位移為其回家時間。選取其中一天，繪成散點圖如圖2所示。

圖2 用戶每日上下班時間

由圖2可以發(fā)現，用戶早晨出行時間集中在6：30-8：30，下午出行時間集中在16：30-19：30。符合上班族拼車時間段較固定的預想。

為了測試URLP方法的有效性，實驗前提出三個問題：

Q1：URLP方法中，?如何影響推薦準確度？

Q2：如果僅考慮位置或者僅考慮社交和車費補貼，推薦效果如何？

Q3：針對以拼車為典型的資源共享平臺中的用戶推薦問題，與傳統(tǒng)協(xié)同過濾算法相比，URLP方法是否更加有效？

對于Q1，首先取推薦列表長度N=10，計算不同?取值下MRR、MAP值。

圖3 ?對MRR、MAP的影響

由圖3可以看出，當?=0時，MAP和MRR的值都較小，這說明當僅考慮社交和車費補貼時推薦效果不好；當0≤?≤0.2，隨著?值增大，推薦結果的準確度大幅度提高，說明車主是否接受推薦的乘客與出行路線匹配度有關；當?=0.7時，MAP和MRR取得最大值，推薦準確度最佳；當0.7≤?≤1，隨著?值增大，MAP和MRR值減小，說明僅僅推薦出行路線匹配度高的乘客推薦效果也不好，這可能是由于有的乘客與車主雖然路線匹配度高，但是由于性別、社會背景、車費補貼等原因車主并不愿意與之拼車。當考慮社交因素時，有過多次拼車的車主和乘客，即社交關系緊密的用戶間，在性別、社會背景等隱性影響拼車的方面上可以互相包容，更容易再次拼車。綜上，首先可以確定在URLP方法中當?=0.7時推薦效果最佳，其次可以初步確定考慮位置、社交、車費補貼作為用戶偏好進行學習是必要的。

對于Q2，分別取推薦列表長度N為5、10、15、…、30，對比測試集計算推薦準確率，考慮下列三種情況：①僅考慮位置，即取?=1；②僅考慮社交和車費補貼，即取?=0；③URLP方法，考慮位置、社交和車費補貼三個因素，取?=0.7。

由圖4、圖5可以看出，URLP方法準確率和召回率最高。當僅考慮位置時，即僅僅考慮路線的匹配程度，由于上述的用戶的性別、社會背景等復雜不可量化因素的影響，推薦效果并不好。這是本文提出考慮其他兩個因素的原因。當僅考慮社交和車費補貼時，受到拼車記錄中非上班拼車記錄的等原因的影響，推薦準確率比較低。我們收集的拼車記錄僅僅為上下班時間段的拼車記錄，但該時段也可能存在非上下班拼車，例如：根據車主歷史拼車記錄，在上班時段車主位置變化為由A到B，某日車主可能住在C地，則第二日其可能偶然進行了一次由C到B的拼車；車主也可能偶然進行了一次繞路較多的拼車。在僅考慮社交和車費補貼時，這種數據將大大降低推薦的準確率。本文的目的是為上下班車主推薦順路拼車乘客，當僅考慮社交和車費補貼時，為了達到該目的，就需要排除干擾數據，故需要考慮位置因素。

對于Q3，采用常見的用社交網絡改進協(xié)同過濾算法的方法TCF(Traditional Collaborative Filtering)，認為與同一乘客有過拼車記錄的車主為鄰近用戶，且拼車次數越多用戶相似度越高，分別取推薦列表長度N為5、10、15、…、30對比測試集計算準確率。

圖4 不同因素對準確率影響

圖5 不同因素對召回率的影響

如圖4、圖5所示，考慮社交因素的協(xié)同過濾方法推薦準確度比URLP方法差，但在推薦列表長度5≤N≤20時準確度高于僅考慮位置或者僅考慮社交和車費補貼；當推薦列表長度繼續(xù)增加時，協(xié)同過濾方法準確度下降速率加快，說明列表增加的推薦多為無效推薦，僅僅用社交衡量用戶間相似度不夠準確。URLP方法召回率最高，TCF方法與僅考慮位置時召回率曲線接近，說明考慮社交和費用因素有助于提高推薦列表中被用戶接受的推薦結果個數，傳統(tǒng)協(xié)同過濾針對長期拼車問題適應性較差。URLP方法考慮因素比TCF方法更多，推薦準確率更高，也證明了考慮社交和費用的有效性。針對拼車用戶推薦問題，如果想使用協(xié)同過濾方法需要考慮更多因素，有待研究者用更好方式改進傳統(tǒng)協(xié)同過濾算法。

圖6 不同推薦位置推薦成功率

圖6為N取不同值時，推薦列表中不同位置推薦結果的接受比例。即：所有推薦表中排名第N(N=1,2,…,5)的推薦結果，與測試集對比，成功的結果占推薦列表個數的比例，某位置柱狀圖缺失是因為該位置沒有被用戶接受的結果。分析圖6可以發(fā)現，列表中第一個推薦結果的接收比例最高，第二個結果其次。進一步證明了本文URLP方法對推薦結果的排名是有效的——高排名的推薦結果接受率更高。

4 結 語

本文針對搭乘共享中的長期需求，提出一種考慮用戶位置、社交、費用三個偏好的個性化推薦方法，該方法可以根據用戶不同，自適應改變三個因素權重，從而更好地作出推薦。通過對60個工作日通勤拼車用戶的追蹤獲得數據，用實驗驗證了該推薦方法的有效性。這種推薦方法的提出，豐富了LBSNs推薦框架中路線相似度的計算方法，同時，對于拼車、眾包快遞等問題中信息過載問題的解決具有較大現實意義。

本文只是該研究的一小部分結果。首先對于本文選取的會影響用戶行為的因素只是較重要的三個，其他因素例如用戶完成訂單數量、其他用戶評價等都可能產生影響。如何更合理篩選影響因素、如何學習量化篩選出的因素等都是下一步需要解決的問題。其次對于本文已經選擇的三個因素，如何更準確模型化也需要進一步研究。例如，如何更準確計算路線間相似度。

[1] 蔡余杰，黃祿金. 共享經濟[M]. 北京：企業(yè)管理出版社, 2015: 1-15.

[2] 王茂福. 拼車的發(fā)展及其效應[J]. 中國軟科學, 2010(11): 54-61.

[3] Friginal J, Gambs S, Guiochet J, et al. Towards privacy-driven design of a dynamic carpooling system[J]. Pervasive and Mobile Computing, 2014, 14: 71-82.

[4] Boukhater C M, Dakroub O, Lahoud F, et al. An Intelligent and Fair GA Carpooling Scheduler as a Social Solution for Greener Transportation[C]//2014 17th IEEE Mediterranean Electrotechnical Conference (MELECON), 2014: 182-186.

[5] Huang S c, Jiau M K, Lin C H. A Genetic-Algorithm-Based Approach to Solve Carpool Service Problems in Cloud Computing[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(1): 352-364.

[6] Knapen L, Yasar A, Cho S, et al. Exploiting graph-theoretic tools for matching in carpooling applications[J]. Journal of Ambient Intelligence and Humanized Computing, 2014, 5(3): 393-407.

[7] Hartman I B A, Keren D, Dbai A A, et al. Theory and Practice in Large Carpooling Problems[J]. Procedia Computer Science, 2014, 32: 339-347.

[8] Hussain I, Knapen L, Galland S, et al. Organizational and Agent-based Automated Negotiation Model for Carpooling[J]. Procedia Computer Science, 2014, 37: 396-403.

[9]KnapenL,HartmanIBA,KerenD,etal.Scalabilityissuesinoptimalassignmentforcarpooling[J].JournalofComputerandSystemSciences, 2015, 81(3): 568-584.

[10]GallandS,KnapenL,YasarAUH,etal.Multi-agentsimulationofindividualmobilitybehaviorincarpooling[J].TransportationResearchPartC:EmergingTechnologies, 2014, 45: 83-98.

[11]QuerciaD,LathiaN,CalabreseF,etal.RecommendingSocialEventsfromMobilePhoneLocationData[C]//2010IEEE10thInternationalConferenceonDataMining(ICDM), 2010: 971-976.

[12]ZhengY,ZhouX.ComputingwithSpatialTrajectories[M].NewYork:Springer, 2011: 63-107.

[13]YangD,ZhangD,ChenL,etal.NationTelescope:Monitoringandvisualizinglarge-scalecollectivebehaviorinLBSNs[J].JournalofNetworkandComputerApplications, 2015, 55: 170-180.

[14]BaoJ,ZhengY,WilkieD,etal.Recommendationsinlocation-basedsocialnetworks:asurvey[J].GeoInformatica, 2015, 19(3): 525-565.

[15]ZhengY,ZhangL,MaZ,etal.Recommendingfriendsandlocationsbasedonindividuallocationhistory[J].ACMTransactionsontheWeb, 2011, 5(1): 1-47.

[16]LiaoHY,ChenKY,LiuDR.Virtualfriendrecommendationsinvirtualworlds[J].DecisionSupportSystems, 2015, 69: 59-69.

[17]GriesnerJB,AbdessalemT,NaackeH.POIRecommendation:TowardsFusedMatrixFactorizationwithGeographicalandTemporalInfluences[C]//Proceedingsofthe9thACMConferenceonRecommenderSystems, 2015: 301-304.

[18]GaoH,TangJ,LiuH.Addressingthecold-startprobleminlocationrecommendationusinggeo-socialcorrelations[J].DataMiningandKnowledgeDiscovery, 2015, 29(2): 299-323.

[19] 劉樹棟，孟祥武. 一種基于移動用戶位置的網絡服務推薦方法[J]. 軟件學報, 2014, 25(11): 2556-2574.

[20] 何鵬，李兵，楊習輝，等.Roster：一種開發(fā)者潛在同行推薦方法[J]. 計算機學報, 2014, 37(4): 859-872.

[21]RollinsK,LykeA.TheCaseforDiminishingMarginalExistenceValues[J].JournalofEnvironmentalEconomicsandManagement, 1998, 36(3): 324-344.

[22]DeshpandeM,KarypisG.Item-BasedTop-NRecommendationAlgorithms[J].ACMTransactionsonInformationSystems, 2004, 22(1): 143-177.

[23]CraswellN.MeanReciprocalRank[M].NewYork:SpringerUS, 2009: 1664-1876.

PERSONALIZED RECOMMENDATION METHOD OF LONG-DISTANCE CAR SHARING BASED ON SOCIAL NETWORK

Zhong Qiuyan Li Yueyang Chu Xiang

(InstituteofInformationManagementandInformationTechnology,FacultyofManagementandEconomics,DalianUniversityofTechnology,Dalian116024,Liaoning,China)

In the service industry such as automobile, lodging and so on, the personalized recommendation method with the sharing service is insufficient, which reduces the user’s physical examination. In this paper, take the sharing problem as an example, consider the location, social, cost three factors, proposed URLP method for the user to recommend long-term cooperation object. Firstly, the location similarity between the owner and the passenger is calculated based on the user behavior matrix. Secondly, the social network based on location is established through historical transaction data learning, and then fits the user’s fare preference function based on recent transaction records. Finally, the recommendation lists are generated adaptively according to the influence of three kinds of factors. Experimental results show that the URLP method has good accuracy. Although, URLP method to car sharing as an example, but the method can also be applied to crowdsourcing express and distribution and other fields.

Car sharing Personalized recommendation LBSNs TF-IDF

2016-02-04。國家自然科學基金重點項目(71533001)。仲秋雁，教授，主研領域：管理信息系統(tǒng)。李岳陽，碩士生。初翔，博士生。

TP3

A

10.3969/j.issn.1000-386x.2017.04.045